Anästhesie und klinische Forschung
Offener Zugang

Abstrakt

Verbesserung und Interpretation der Vorhersage der Operationsdauer mit Methoden des maschinellen Lernens

Jesyin Lai, Jhao-Yu Huang, Shu-Cheng Liu, Der-Yang Cho, Jiaxin Yu

Ziel: Krankenhäuser stehen vor der Herausforderung, eine effiziente Terminplanung und ein gutes Ressourcenmanagement durchzuführen, um sicherzustellen, dass den Patienten eine hochqualitative Gesundheitsversorgung geboten wird. Die Planung von Operationssälen ist wichtig, da sie sich auf die Effizienz der Arbeitsabläufe, die Intensivpflege und die OP-Optimierung auswirkt. Automatische Terminplanung und genaue Vorhersage der Operationsdauer spielen eine entscheidende Rolle bei der Verbesserung der OP-Auslastung. Zur Schätzung der Operationsdauer verlassen sich die meisten Krankenhäuser auf historische Durchschnittswerte, die aus den Planungssystemen der elektronischen Krankenakten (EMR) stammen. Dies führt jedoch zu geringer Genauigkeit und hat negative Auswirkungen, z. B. Umplanungen und Absagen.

Methoden: Es wurde ein großer Datensatz beschafft, der verschiedene Details zu Patienten, Operationen, Fachgebieten und Operationsteams umfasste. Für die Entwicklung eines prädiktiven Modells wurden chirurgische Fälle innerhalb von 60–600 Minuten aus 14 Fachgebieten ausgewählt. Diese Daten umfassten über 500 verschiedene Verfahrensarten. Alle Modelle wurden mit R-Quadrat (R2), mittlerem absoluten Fehler (MAE), prozentualer Überschreitung (tatsächliche Dauer > Vorhersage), Unterschreitung (tatsächliche Dauer < Vorhersage) und innerhalb bewertet. Anschließend wurden alle ausgewählten Fälle in Fälle mit 1 Verfahren oder ≥ 2 Verfahren unterteilt und mit dem besten Modell neu trainiert.

Ergebnisse: Das Extreme Gradient Boosting (XGB)-Modell war überlegen und erreichte ein höheres R2, niedrigeres MAE und einen höheren Prozentsatz innerhalb eines zeitweisen Testsatzes (nicht in den Originaldaten). Die Fehler (tatsächliche – Vorhersagen) konnten durch ein Modell reduziert werden, das an Fällen mit ≥ 2 Verfahren (XGB2) neu trainiert wurde. Die Interpretation der XGB-Vorhersagen mit additiven Shapley-Erklärungen zeigte, dass Verfahrenstyp, Anästhesietyp und Verfahrensnummer die drei wichtigsten Merkmale waren. In einer Untergruppe komplizierter Fälle wurden auch spezifische und stärkere Interaktionen zwischen Anästhesietyp, Verfahrensnummer und Fachgebiet festgestellt.

Schlussfolgerungen: Die Modelle XGB und XGB2 waren anderen Modellen bei der Vorhersage der Dauer chirurgischer Eingriffe überlegen. Sie werden als eigenständiger maschineller Intelligenzserver eingesetzt, der zur Terminplanung mit dem EMR-System verbunden ist. Dies wird letztendlich zu einer Verringerung der medizinischen und finanziellen Belastung des Gesundheitsmanagements führen.